Measuring and Fostering Peace through Machine Learning and Artificial Intelligence

📄 arXiv: 2601.05232v1 📥 PDF

作者: P. Gilda, P. Dungarwal, A. Thongkham, E. T. Ajayi, S. Choudhary, T. M. Terol, C. Lam, J. P. Araujo, M. McFadyen-Mungalln, L. S. Liebovitch, P. T. Coleman, H. West, K. Sieck, S. Carter

分类: cs.CL, cs.CY, cs.LG

发布日期: 2026-01-08

备注: 6 pages, 4 figures

💡 一句话要点

利用机器学习和人工智能测量并促进和平

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 社会和平 机器学习 自然语言处理 情感分析 媒体内容评估

📋 核心要点

  1. 现有方法难以有效衡量和促进社会和平，尤其是在社交媒体时代，情绪化内容泛滥。
  2. 论文提出利用机器学习分析新闻和社交媒体文本，评估和平水平，并开发工具引导用户理性消费媒体。
  3. 实验表明，该模型在不同新闻数据集上具有良好的泛化能力，Chrome插件能实时反馈媒体的和平程度。

📝 摘要（中文）

本文利用机器学习和人工智能技术，旨在：1) 通过新闻和社交媒体衡量各国的和平水平；2) 开发在线工具，通过帮助用户更好地了解自己的媒体消费习惯来促进和平。对于新闻媒体，我们使用神经网络从在线新闻来源的文本嵌入中衡量和平水平。该模型在一个新闻媒体数据集上训练，在分析另一个新闻数据集时也表现出很高的准确性。对于社交媒体（如YouTube），我们开发了其他模型，使用词级别（GoEmotions）和上下文级别（大型语言模型）方法来衡量对和平至关重要的社会维度。为了促进和平，我们注意到 71% 的 20-40 岁的人每天通过社交媒体上的短视频观看大部分新闻。这些视频的内容创作者倾向于创建具有情感激活的视频，通过激怒用户来增加点击量。我们开发并测试了一个 Chrome 扩展程序 MirrorMirror，它可以为 YouTube 观看者提供关于他们正在观看的媒体的和平程度的实时反馈。我们的长期目标是让 MirrorMirror 发展成为一个开源工具，供内容创作者、记者、研究人员、平台和个人用户更好地了解他们的媒体创作和消费的基调及其对观看者的影响。除了简单的参与度指标之外，我们希望鼓励更多尊重、细致和信息丰富的交流。

🔬 方法详解

问题定义：该论文旨在解决如何有效衡量和促进社会和平的问题。现有方法难以准确评估媒体内容对社会和平的影响，尤其是在社交媒体上，情绪化和煽动性内容容易传播，导致社会对立和冲突。传统的参与度指标（如点击量）无法反映媒体内容的和平程度，需要更细致的评估方法。

核心思路：论文的核心思路是利用机器学习和自然语言处理技术，分析新闻和社交媒体文本，提取与和平相关的特征，并构建模型来评估媒体内容的和平程度。同时，开发在线工具，向用户提供关于其媒体消费习惯的反馈，引导用户选择更和平、更理性的内容。

技术框架：整体框架包括以下几个主要模块：1) 新闻媒体和平水平评估模块：使用神经网络分析在线新闻文本的嵌入表示，评估其和平程度。2) 社交媒体和平水平评估模块：使用词级别（GoEmotions）和上下文级别（大型语言模型）方法，分析社交媒体文本，评估与和平相关的社会维度。3) Chrome扩展程序MirrorMirror：为YouTube观看者提供实时反馈，显示他们正在观看的媒体的和平程度。

关键创新：该论文的关键创新在于：1) 将机器学习技术应用于社会和平的评估，提供了一种量化和平水平的方法。2) 开发了Chrome扩展程序MirrorMirror，为用户提供实时的媒体消费反馈，引导用户选择更和平的内容。3) 结合词级别和上下文级别的方法，更全面地分析社交媒体文本，提高了和平水平评估的准确性。

关键设计：在新闻媒体和平水平评估模块中，使用了神经网络模型，具体结构未知。在社交媒体和平水平评估模块中，使用了GoEmotions词典和大型语言模型，具体模型选择和训练细节未知。Chrome扩展程序MirrorMirror的具体实现细节未知，但其核心功能是根据媒体内容的和平水平，向用户提供视觉反馈。

📊 实验亮点

该研究最重要的实验结果是：1) 在一个新闻媒体数据集上训练的模型，在分析另一个新闻数据集时也表现出很高的准确性，表明该模型具有良好的泛化能力。2) Chrome扩展程序MirrorMirror能够为YouTube观看者提供关于他们正在观看的媒体的和平程度的实时反馈，证明了该工具的实用性和有效性。具体的性能数据和提升幅度未知。

🎯 应用场景

该研究成果可应用于多个领域，包括：媒体内容审核、舆情监控、社会冲突预警、和平教育等。通过量化媒体内容的和平程度，可以帮助平台过滤不良信息，引导用户理性消费媒体，促进社会和谐。未来，该技术可扩展到其他类型的媒体内容，并应用于更广泛的社会领域。

📄 摘要（原文）

We used machine learning and artificial intelligence: 1) to measure levels of peace in countries from news and social media and 2) to develop on-line tools that promote peace by helping users better understand their own media diet. For news media, we used neural networks to measure levels of peace from text embeddings of on-line news sources. The model, trained on one news media dataset also showed high accuracy when used to analyze a different news dataset. For social media, such as YouTube, we developed other models to measure levels of social dimensions important in peace using word level (GoEmotions) and context level (Large Language Model) methods. To promote peace, we note that 71% of people 20-40 years old daily view most of their news through short videos on social media. Content creators of these videos are biased towards creating videos with emotional activation, making you angry to engage you, to increase clicks. We developed and tested a Chrome extension, MirrorMirror, which provides real-time feedback to YouTube viewers about the peacefulness of the media they are watching. Our long term goal is for MirrorMirror to evolve into an open-source tool for content creators, journalists, researchers, platforms, and individual users to better understand the tone of their media creation and consumption and its effects on viewers. Moving beyond simple engagement metrics, we hope to encourage more respectful, nuanced, and informative communication.